BenchLeader

ARC (AI2 Challenge) 排行榜

截至 2026年11月16日,ARC (AI2 Challenge) 的最高分为 95.3%,由 DeepSeek V3 和 Llama 3.1 405B 并列取得,领先于 Qwen2.5 72B(94.5%)。共有 77 个模型配置公布了结果(Epoch AI Benchmarking Hub,结果日期 2024年12月26日)。小学科学题的挑战集。ARC (AI2 Challenge) 仅作参考展示,不计入 BenchLeader Index。

要点(截至 2026年11月16日)

  • DeepSeek V3 和 Llama 3.1 405B 以 95.3% 并列 ARC (AI2 Challenge) 最高分(Epoch AI Benchmarking Hub,2026年11月16日)。
  • ARC (AI2 Challenge):小学科学题(挑战集)。2018 年的基准测试,对当前模型已饱和,保留作为历史记录(Epoch AI Benchmarking Hub)。
  • BenchLeader 上有 77 个模型配置公布了 ARC (AI2 Challenge) 结果(BenchLeader,2026年11月16日)。
  • ARC (AI2 Challenge) 不计入 BenchLeader Index,仅作参考展示(BenchLeader 方法论)。

小学科学题(挑战集)。2018 年的基准测试,对当前模型已饱和,保留作为历史记录。

发布方
Epoch AI Benchmarking Hub
类别
推理
Index 权重
仅作参考
模型
77
数据截至
2026年11月16日

CC BY 4.0 — Epoch AI, ‘AI Benchmarking Hub’, epoch.ai/benchmarks. Mirrored boards credit their original publishers.

测试内容

小学科学题的挑战集。

评分方式

准确率,由 Epoch AI 根据已公布的结果汇编。

注意事项

已饱和:前沿模型的得分接近上限,所以它只能区分较旧或较小的模型,而且结果大多由提供商自报。

前 15 名
  1. 1DeepSeek V395.3%
  2. 2Llama 3.1 405B95.3%
  3. 3Qwen2.5 72B94.5%
  4. 4Deepseek v292.2%
  5. 5Phi 3 (medium)91.6%
  6. 6Phi 3 Small90.7%
  7. 7GPT 3.5 Turbo 110687.4%
  8. 8Mixtral 8x7B87.3%
  9. 9Claude Instant 1.286.3%
  10. 10Stable Beluga 286.1%
  11. 11Claude Instant 1.185.7%
  12. 12PaLM 540B85.2%
  13. 13text-davinci-00285.2%
  14. 14Phi 3 Mini84.9%
  15. 15Qwen-14B84.4%
77 / 77
#
1DeepSeek V395.3%44.32024-12-26
2Llama 3.1 405B95.3%41.82024-07-23
3Qwen2.5 72B94.5%43.12024-09-19
4Deepseek v292.2%–2024-05-07
5Phi 3medium91.6%37.82024-04-23
6Phi 3 Small90.7%–2024-04-23
7GPT 3.5 Turbo 110687.4%38.42023-11-06
8Mixtral 8x7B87.3%30.82023-12-11
9Claude Instant 1.286.3%–2023-08-09
10Stable Beluga 286.1%–2023-07-20
11Claude Instant 1.185.7%––
12PaLM 540B85.2%–2022-04-04
13text-davinci-00285.2%–2022-03-15
14Phi 3 Mini84.9%36.72024-04-23
15Qwen-14B84.4%–2023-09-28
16Llama 3-8B82.8%34.82024-04-18
17InternLM 20B81.7%–2023-09-18
18Mistral 7B v0.378.6%28.92023-09-27
19Llama 2-70B78.3%33.42023-07-18
20Gemma 7B78.3%–2024-02-21
21Phi-275.9%–2023-12-12
22Qwen-7B75.3%–2023-09-28
23Qwen2.5 Coder 32B Instruct70.5%42.52024-09-18
24InternLM 7B69.5%–2023-07-05
25LLaMA-65B69.5%–2023-02-24
26PaLM 2-L69.2%–2023-05-17
27Falcon-180B67.8%–2023-09-06
28LLaMA-33B67.5%–2023-02-24
29Qwen2.5-Coder-14B66.0%–2024-09-18
30PaLM 2-M64.9%–2023-05-17
31DeepSeek-Coder-V2 236B64.3%–2024-06-17
32Falcon-40B61.9%–2023-03-15
33ChatGLM2-6B61.0%–2023-06-24
34Qwen2.5-Coder 7B Instruct60.9%–2024-09-18
35Llama 2-13B60.3%–2023-07-18
36PaLM 2-S59.6%–2023-05-17
37DeepSeek-Coder-V2-Lite-Base57.3%–2024-06-13
38Yi-9B55.6%–2024-03-01
39Nemotron-4 15B55.5%–2024-02-26
40INTELLECT-154.5%–2024-11-29
41Llama 2-34B54.5%–2023-07-18
42InstructGPT 175B53.2%–2022-01-27
43Qwen-1_8B53.2%–2023-11-30
44Qwen2.5-Coder-3B52.9%–2024-09-18
45LLaMA-13B52.7%–2023-02-24
46PaLM 62B52.5%–2022-04-04
47MPT-30B50.6%–2023-06-22
48Yi 6B50.3%–2023-11-02
49Falcon-7B47.9%–2023-04-24
50LLaMA-7B47.6%–2023-02-24
51StarCoder2-15B47.2%–2024-02-20
52Llama 2-7B45.9%–2023-07-18
53Qwen2.5 Coder 1.5B45.2%–2024-09-18
54Phi-1.544.4%–2023-09-11
55Vicuna 13B v1.143.2%–2023-04-12
56MPT-7B42.6%–2023-05-05
57Deepseek Coder 33B Base42.2%–2023-11-02
58Gemma 2B42.1%–2024-02-21
59Xgen 7B Base41.2%–2023-06-27
60GPT-NeoX-20B41.1%–2022-04-07

更多推理基准测试 · 全部大模型基准测试

引用格式:BenchLeader,《ARC (AI2 Challenge) 排行榜》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/arc_ai2。

ARC (AI2 Challenge):常见问题

ARC (AI2 Challenge) 衡量的是什么?
小学科学题的挑战集。分数以完成任务的百分比表示,越高越好。
ARC (AI2 Challenge) 的最高分是多少?
截至 2026年11月16日,ARC (AI2 Challenge) 的最高分为 95.3%,由 DeepSeek V3 和 Llama 3.1 405B 并列取得,领先于 Qwen2.5 72B(94.5%)。分数来自 Epoch AI Benchmarking Hub,每天重新读取。
哪个 AI 模型在 ARC (AI2 Challenge) 上领先?
截至 2026年11月16日,DeepSeek V3 和 Llama 3.1 405B 以 95.3% 并列 ARC (AI2 Challenge) 第一。
有多少模型有 ARC (AI2 Challenge) 结果?
BenchLeader 上有 77 个模型配置有 ARC (AI2 Challenge) 结果,全部取自 Epoch AI Benchmarking Hub。
ARC (AI2 Challenge) 由谁运行,多久更新一次?
ARC (AI2 Challenge) 由 Epoch AI Benchmarking Hub 发布。BenchLeader 每天重新读取一次公布的结果,并记录每个结果的发布日期。
ARC (AI2 Challenge) 是否计入 BenchLeader Index?
不计入。ARC (AI2 Challenge) 仅作参考展示,不计入综合分数。